数据除了数据分析的价值，另一层价值就是数据挖掘的价值。
数据分析是依赖于人的经验及人对业务的理解，依赖人的逻辑思维能力去找到整个业务相关的信息，去找到理性且可以指导我们产品优化的点。
数据挖掘就是从另外一个维度去发掘数据的价值。
我们这里用一个比较简单常见的案例：产品的DAU预测。通过这个案例，我们可以看到数据挖掘的一个思路。
这里有三条曲线，分别代表了三个产品的DAU，三个DAU走势波动比较厉害，而有一些的周期性比较明显，没有太多规律可言。
我们就需要一些比较科学的方法去预测DAU、分析产品的DAU、分析具体的场景去对我们的一些产品决策进行辅助。
比如说这个场景：
一个产品公测没多久，公司给的KPI指标是产品投放后能够达到50万的收益。事实上，在产品上线的两周，产品的数据已经很接近50万，但是一直在45万和47万徘徊。
这个产品本身没有达到50万DAU的KPI，这个时候整个项目组还有一笔预算，需要去衡量这笔预算如果全部拿去买量的话，能不能达成这样的一个KPI。
这个时候我们需要找到一个可以科学决策的依据，我们要分析整个DAU跟新增用户的关系，去分析多少钱可以获得大概多少的市场新增。
新增和DAU并不是一个直接的关系，中间通过留存做了一个桥接，所以我们需要分析新增和DAU之间的关系是什么，如果我们能够得到一个公式去计算出来的话，就能够倒推我们需要花多少钱才能够满足50万的KPI。
为了预测这个DAU，首先我们需要对流程做一个拆解，我们首先需要定义它。每日登录用户，就是DAU的定义，只要用户做了登陆操作，我们就认为他是一个活跃用户，每天DAU的曲线波动非常大。
造成DAU波动的因素由这几个点构成，通常我们把整个日活的用户比喻成用户池，每天都有流入的用户，每天都有出去的用户。所以一个流入一个流出形成了数据的波动，对于流入的部分我们可以分为三个部分：昨日留存用户+日回流用户+日新进用户。
分解之后，我们就可以完成一张新进用户的留存表。
表格一共列举了5天内有多少人留下来，在后续20天每天又有多少人留下来了。我们会发现里面的留存率，是根据下方示意图的趋势发展的，呈现的是衰减的趋势。
然后我们找来两个产品的留存曲线来拟合这个衰减现象。
大家可以看到这两个曲线还是挺有规律的，相对来说也是较为平滑的，这个时候我们需要选择一个留存模型——幂率分布对它进行预测。
其中：
a为常数（可简化）
b为新进留存系数
x为产品运行天数
如果b的值越大，留存情况就会越好，因为b这个值决定了曲线的倾斜程度，比如A产品第一条绿线的b值就要大于红线。
所以b值就可以反映出产品的用户留存特征，我们就可以把b定义为新进的留存系数，留存系数可以通过三个点决定：
产品的品质
用户的质量
运营的活动
在结合上述理论后，我们就可以从已经运营一段时间的产品中抓取我们产品的b值，画一个走势图。
这该产品b值一年来的走势图。从大的层面来看，b值的波动不是非常的大，但是波峰和波谷都有相关运营活动或者版本迭代的干预，导致了这个值的改变。
图上显示，我们为了完成某些KPI去提高DAU值做的拉小号的活动，反而导致了b值的下降，就证明拉小号的活动促进了DAU的值上升，但用户质量却下降了。产品本身的质量其实是比较稳定的，你可以衡量它的用户质量，用户质量其实就与运营活动质量有关。
有了这样的模型之后，我们就可以计算出把DAU的公式列举出来了。
大家可以把这个概念不停拆分下去，累加之后就可以形成DAU公式。我们可以把总的日活数据不停地拆，从第一天到第N天留存用户数，就可以得到今日的日活。然后我们再利用这个公式，去做出我们产品的走势图。
根据这样的情况，我们就可以很好地去预测DAU的走势，去对比实际日活和预测日活的一个匹配程度。虽然存在一些偏差，但是偏差值也是因为受到活动的影响才发生的。
获取预测趋势图之后，我们再投入实际的应用中去评估。
我们回到评估DAU50万的目标上。
从上图可以看到上面这张图是日活跃与日新进的走势关系，这些都是不限号之前的走势，不限号之前是比较稳定的，核心玩家一直都是比较稳定的，没有什么比较大的变化。中间拐点开始是不限号当天出现的，日新增注册用户自拐点之后一直往下走。
我们代入那个日活公式后，下方图的紫色部分就代表我们的预计的日活曲线。最后推算出来是，我们需要连续两周每天都要有8万的新进，才能够完成50万DAU的指标。
这个数值所需要的费用跟我们实际的预算相比差距太大，因此我们放弃了用50万去投放买量的计划。如果差距不大的话，我们才会选择投放获客。
这次的数据挖掘就给了我们此次决策的数据支撑，告诉了我们这个决策是不具备可行性的。后来为了完成目标，我们改用了拉小号的活动，将数据快速地推上去。
总结下来，数据挖掘可以分为三步：
利用历史数据
建立概念模型
预测发展趋势。
更多数据分析方法及案例关注公众号：数数科技
数数科技是最专业的游戏企业数据服务商，欢迎试用数数demo：
https://www.thinkingdata.cn/?source=%E7%9F%A5%E4%B9%8E
让数据价值触手可及
